CN104331886B - 基于高分辨sar图像的港口区域舰船检测方法 - Google Patents
基于高分辨sar图像的港口区域舰船检测方法 Download PDFInfo
- Publication number
- CN104331886B CN104331886B CN201410596785.3A CN201410596785A CN104331886B CN 104331886 B CN104331886 B CN 104331886B CN 201410596785 A CN201410596785 A CN 201410596785A CN 104331886 B CN104331886 B CN 104331886B
- Authority
- CN
- China
- Prior art keywords
- ship target
- region
- matrix
- pixel
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于高分辨SAR图像的港口区域舰船检测方法。技术方案包括下述内容:采用马尔可夫分割方法及形态学处理港口区域的高分辨SAR图像,得到陆地区域、海洋区域以及海岸轮廓线;利用舰船目标分布区间信息,沿海岸轮廓线向陆地方向设置一定宽度的缓冲区域,将拟求解区域对应的高分辨SAR图像信息保存在求解矩阵中;基于MSER方法,在求解矩阵中求得舰船目标ROI;在求解矩阵中将舰船目标ROI与背景分离,得到舰船目标检测矩阵;剔除检测矩阵中的虚假目标;对于并排停泊的舰船目标,基于孔洞特征点方法,进行有效切分。本发明能进行高分辨SAR图像中港口区域舰船目标的有效检测。
Description
技术领域
本发明属于雷达技术领域,涉及利用港口区域的高分辨SAR(Synthetic ApertureRadar,合成孔径雷达)图像提取舰船的方法,可用于港口区域动态监视、海事安全管理以及打击效果评估等。
背景技术
SAR系统具备全天候、全天时的成像能力,还有一定的穿透性,已被广泛应用于军事和民生领域。近年来,利用高分辨SAR图像对港口内舰船目标进行检测和监视的研究成为SAR图像海洋应用研究的重要方面。
在基于港口区域的高分辨SAR图像中,舰船等大型目标不再以点目标的形式出现,已经能分辨出其基本轮廓,舰船目标更多的细节信息或目标特征可以利用,但对于同样大小的地理场景,随着SAR图像分辨率的提高,需要处理的数据量也大幅度增加;此外,港口区域既处于杂波边缘环境,又包含多个舰船目标,背景杂波统计特性复杂,已有的统计模型,不足以描述这种异质混合不均匀特性,同时一个或多个舰船目标会出现在被检测舰船目标参考窗口中,破坏背景杂波的统计特性。
因而,传统的基于CFAR(constant false alarm rate,恒虚警率)的检测方法应用于港口区域的高分辨SAR图像舰船检测时,一方面无法满足工程化应用的实时性要求,另一方面难以应对港口区域这种复杂的杂波边缘环境,检测性能较差。从而,基于高分辨SAR图像在港口等复杂环境中发现、辨别感兴趣的舰船目标,成为雷达领域一个挑战性课题。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于高分辨SAR图像的港口区域舰船检测方法,以实现高分辨SAR图像港口区域舰船目标的精确定位与提取,并提高检测概率,加速检测过程,使其更有利于工程化应用。
本发明的技术方案是,一种基于高分辨SAR图像的港口区域舰船检测方法,包括如下步骤:
已知港口区域的高分辨SAR图像;采用基于马尔可夫分割方法及形态学处理,得到陆地区域、海洋区域以及海岸轮廓线;根据舰船目标尺寸的先验知识和高分辨SAR图像分辨率,计算在高分辨SAR图像中的舰船目标分布区间信息;利用舰船目标分布区间信息,沿海岸轮廓线向陆地方向设置一定宽度的缓冲区域,得到的求解区域为缓冲区域加上海洋区域,将求解区域对应的高分辨SAR图像信息保存在求解矩阵中;基于MSER(MaximallyStable Extremal Regions,最稳定极值区域)方法,结合舰船目标分布区间信息,在求解矩阵中求得舰船目标ROI;在求解矩阵中将舰船目标ROI与背景分离,采用G0分布拟合背景杂波,并由全局CFAR方法计算检测门限,从而得到舰船目标检测矩阵;利用舰船目标的形状参数,剔除检测矩阵中的虚假目标;利用舰船目标的长宽比,判断检测矩阵中并排停泊的舰船目标;对于并排停泊的舰船目标,基于孔洞特征点方法,进行有效切分。最终完成高分辨SAR图像中港口区域舰船目标的有效检测。
本发明与现有技术相比具有以下优点:
1、本发明通过沿海岸轮廓线向陆地方向设置缓冲区域,得到了合理的求解区域,符合港口区域舰船目标的停泊原则。在此求解区域检测舰船目标,避免了陆地强杂波、人造目标等干扰,同时也减小后期检测的运算复杂度,有效提高检测效率。
2、本发明通过MSER方法,求取舰船目标ROI,这是对传统检测方法最大的改进,其将舰船目标灰度、形状与大小等考虑在内,实现对舰船目标潜在区域的粗定位,在这些潜在区域对舰船进行检测,极大地减小数据处理量,同时也能抑制虚假目标、海岸杂波的影响。
3、本发明在CFAR检测过程,剔除舰船目标ROI的影响,可实现对实际海杂波更准确的拟合,从而克服了传统方法中其它目标对当前目标检测的影响,因此可以将传统的双参数CFAR等方法简化为全局CFAR方法,通过杂波分布拟合,求得全局检测阈值,这极大地降低了检测的运算复杂度。
4、本发明根据舰船目标的形状参数、长宽比,剔除虚假目标、判断并排停泊的舰船目标,并考虑实际并排停泊的舰船目标中间存在横向的细小粘连,导致若干个孔洞的形成,提出将各孔洞的中心作为切分特征点,拟合切分曲线,可对并排停泊的舰船目标进行有效切分及检测。
附图说明
图1为本发明的流程图;
图2为本发明仿真实验中所使用的港口区域高分辨SAR图像;
图3为本发明对图2进行二值化分割的结果;
图4为本发明对图3进行形态学处理得到的标签图BW;
图5为本发明对图4求取海岸轮廓线以及缓冲区域的设置;
图6为本发明对图2得到的求解矩阵;
图7为本发明对图6基于MSER方法得到的舰船目标ROI;
图8为本发明舰船目标ROI分离后的杂波矩阵;
图9为本发明对图7舰船目标ROI进行CFAR检测的检测矩阵;
图10为本发明对图7进行CFAR检测的结果;
图11为本发明对图9虚假目标剔除及有效切分的结果;
图12为本发明对图2港口区域舰船目标的最终检测结果。
具体实施方式
下面结合附图对本发明的实施方式进行详细说明。
步骤1:输入港口区域的高分辨SAR图像,得到M×N维图像矩阵I,图像矩阵I的第i行、第j列的像素灰度值为I(i,j),其中i=1,2,...,M,j=1,2,...,N;
步骤2:对图像矩阵I,采用马尔可夫分割方法及形态学处理,得到陆地区域、海洋区域以及海岸轮廓线,具体步骤如下:
2a)采用马尔可夫方法对输入图像矩阵I进行二值化分割,得到M×N维的二值图像,记为标签图BW1:其中表示陆地的像素,其像素值为1,记标签值为1;表示海洋的像素,其像素值为0,记标签值为0;
2b)进行形态学处理:首先对标签图BW1进行闭操作,得到标签图BW2;然后计算标签图BW2中所有连通区域的面积Ak,k=1,2,..,K,K为标签图BW2中所有连通区域的个数,连通区域是指八连通区域;根据实际情况设定面积阈值Aopt,本发明中Aopt=500;设若Ak<Aopt,则认为标签图BW2的第k个连通区域为海洋中的强像素点,将该连通区域内像素的标签值赋为0,得标签图BW3;将标签图BW3置反,得标签图BW4,计算标签图BW4中所有连通区域的面积Bl,l=1,2,...,L,若则认为第l个连通区域为陆地的弱像素点,将该连通区域内像素的标签值赋为0,得标签图BW5;将BW5置反,得标签图BW,其中像素标签值为1的像素形成的区域表示陆地区域RL,像素标签值为0的像素形成的区域表示海洋区域RO;
2c)根据得到的海洋区域和陆地区域,利用边界追踪方法得到海岸轮廓线;
步骤3:根据舰船目标尺寸的先验知识和高分辨SAR图像分辨率,计算在高分辨SAR图像中的舰船目标分布区间信息:
已知高分辨SAR图像分辨率ρa×ρr,ρa为方位向分辨率,ρr为距离像分辨率;舰船目标尺寸的先验知识包括:舰船目标面积区间[S1,S2]、长度区间[L1,L2]、宽度区间[W1,W2],计算舰船目标在高分辨SAR图像中的分布区间信息如下:
其中[Smin,Smax]、[Lmin,Lmax]、[Wmin,Wmax]分别为高分辨SAR图像中舰船目标的面积分布区间、长度分布区间和宽度分布区间;舰船目标尺寸的先验知识根据实际情况事先获得;
步骤4:利用舰船目标的分布区间信息,沿海岸轮廓线向陆地方向设置一定宽度的缓冲区域,得到的求解区域为缓冲区域加上海洋区域,将求解区域对应的高分辨SAR图像信息保存在求解矩阵中,具体步骤如下:
对标签图BW,沿海岸轮廓线进行腐蚀,得标签图BWs,其中向陆地区域方向腐蚀掉的区域为缓冲区域RG,缓冲区域RG的宽度根据实际需要确定,求解区域即为RO+RG;设置求解矩阵Ia为M×N维全零矩阵;遍历标签图BWs的像素点BWs(i,j),其中i=1,2,...,M,j=1,2,...,N,如果BWs(i,j)=0,则置Ia(i,j)=I(i,j);
步骤5:基于最稳定极值区域方法,结合舰船目标分布区间信息,在求解矩阵中得到舰船目标ROI,ROI即感兴趣区域,具体步骤如下:
对求解矩阵Ia,通过最稳定极值区域方法,得到求解矩阵Ia中所有的最稳定极值区域,将面积值属于舰船目标面积分布区间[Smin,Smax]的所有最稳定极值区域都作为舰船目标ROI,一个最稳定极值区域对应一个舰船目标ROI,记为Rq,q=1,2,...,Q,Q为求解矩阵Ia中包含的舰船目标ROI个数;
步骤6:在求解矩阵中将舰船目标ROI与背景分离,采用G0分布拟合背景杂波分布,由全局CFAR方法计算检测门限,从而得到舰船目标检测矩阵,具体包括下述步骤:
6a)设置背景矩阵Ib=Ia,将背景矩阵Ib中所有舰船目标ROI包含的像素其值置为0,由G0分布拟合背景杂波分布pb(x):
其中n为等效系数,Γ(·)为Gamma函数,α为形状参数,γ为尺度参数。本发明采用矩估计法完成参数估计,估计结果为:
其中:
根据实际需要设定虚警率Pfa,此处设Pfa=0.01,代入全局CFAR检测公式:
求得恒虚警检测门限tr;
6b)设置检测矩阵Fa为M×N维全零矩阵,遍历求解矩阵Ia中位于Rq的像素点Ia(i,j),若Ia(i,j)≥tr,则判定该像素为舰船目标像素,置Fa(i,j)=1。检测矩阵Fa中,Rq所包含的像素值为1的像素,组成潜在的舰船目标区域Tq,q=1,2,...,Q;
步骤7:由舰船目标的形状参数,剔除检测矩阵Fa中的虚假目标,具体包括下述步骤:
遍历检测矩阵Fa中的潜在的舰船目标Tq,计算其形状参数Eq:
其中Cq为潜在的舰船目标区域Tq的外围周长,即潜在的舰船目标区域Tq的外围轮廓所占的像素数目,Sq为潜在的舰船目标区域Tq的面积,即潜在的舰船目标区域Tq包含的像素数目。由舰船目标分布区间信息,计算阈值:
Cmax=2×(Lmax+Wmax) (10)
若Eq>te,则判定潜在的舰船目标区域Tq为虚假目标区域,将检测矩阵Fa中属于潜在的舰船目标区域Tq的所有像素点其值置为0;假定剔除虚假目标后,检测矩阵Fa包含Q-r个舰船目标区域T′q',q'=1,2,...,Q-r,r为虚假目标的个数;
步骤8:由舰船目标的长宽比,判断并排停泊的舰船目标,具体步骤如下:
遍历检测矩阵Fa中的舰船目标区域T′q',计算其长宽比Dq'=Lq'/Wq',其中Lq'和Wq'分别为舰船目标区域T′q'的长与宽,即舰船目标区域T′q'的长轴与短轴所占的像素数目;由舰船目标分布区间信息,计算阈值:
tD=Lmin/Wmax (11)
若Dq'<tD,则判定舰船目标区域T′q'包括并排停泊的舰船目标,本发明中并排停泊的舰船目标是指两个舰船目标并排停泊在一起;取检测矩阵Fa中包含舰船目标区域T′q'的最小矩阵作为一个待切分切片;设检测矩阵Fa中共包含U个待切分切片Gu,u=1,2,...,U,则U为并排停泊的舰船目标个数;
步骤9:对并排停泊的舰船目标,进行有效切分:
本发明中并排停泊的舰船目标是指两个舰船目标并排停泊在一起,具有横向的细小粘连,从而在SAR图像上形成若干个孔洞,寻找这些孔洞的中心作为切分特征点,拟合成平滑曲线,即可切分细小粘连,从而完成目标切分。对每个待切分切片进行下述操作:
9a)设置与切片Gu相同大小的全零矩阵Hu,采用形态学处理得到切片Gu的内部孔洞,将Hu中位于内部孔洞的像素点其值置为1;
9b)根据实际需要设置面积门限th,此处设th=50,遍历Hu中所有连通域,若连通域的面积小于th,则将Hu中该连通域包含的像素点其值置为0。求取Hu中余下各连通域的中心,作为切分特征点Pu(v),v=1,2,...,V,V为切片Gu的切分特征点个数;
9c)采用二次样条拟合方法,将各切分特征点Pu(v)拟合成平滑曲线,将曲线向两侧各延展2个像素,作扩大处理,得到切分曲线Lu。将切分曲线Lu所对应的切片Gu中的像素点其值置为0,从而完成有效切分;
9d)将切分后的切片Gu映射到检测矩阵Fa,即将切分后的切片Gu的值赋到检测矩阵Fa中的对应位置。
通过上述步骤,完成了对高分辨SAR图像中港口区域舰船目标的精确检测。
图2至图12为进行仿真实验的结果。
仿真实验条件:
本发明采用如图2所示的港口区域的高分辨SAR图像进行试验,其中图像大小为1765×2600,图像分辨率为0.75m×0.75m,图像中舰船数目为8。本实验在CPU为Intel(R)Core(TM)i7-3770K、主频3.50GHz,内存为16GB的WINDOWS8系统上采用软件MATLAB8.1.0.430(R2013a)进行仿真。
利用本发明方法对图2进行舰船类目标的检测:
将图2输入,得到M×N维图像矩阵I,采用马尔可夫方法进行二值化分割,得到标签图BW1如图3所示,继续进行形态学处理,可以得到标签图BW如图4所示。可以看出,陆地被保留,海域被分离,具有很好的海域分离效果;
设定舰船目标尺寸的先验知识为:[S1,S2]=[5400,21600],[L1,L2]=[180,360],[W1,W2]=[30,60]。结合高分辨SAR图像分辨率,计算在高分辨SAR图像中的舰船目标分布区间信息;
对标签图BW,沿海岸轮廓线进行腐蚀,得到缓冲区域RG如图5所示,其中两条曲线之间的区域为所设定缓冲区域,结合图2,得到求解矩阵Ia如图6所示,图6中每个像素的灰度值表示求解矩阵Ia中对应元素的值;
在求解矩阵Ia中,利用计算出的舰船目标分布区间信息Smin和Smax,通过最稳定极值区域方法,得到求解矩阵Ia中所有的最稳定极值区域如图7所示,将每个最稳定极值区域作为一个舰船目标ROI,图中用椭圆框标识出;
如图8所示将舰船目标ROI与背景分离,得到港口背景矩阵Ib,由全局CFAR方法检测目标,得到图9和图10中的检测矩阵Fa;
由舰船目标的形状参数,剔除检测矩阵Fa中的虚假目标,并由舰船目标的长宽比,判断并排停泊的舰船目标,依据舰船之间横向的细小粘连所形成的若干孔洞特征,寻找各孔洞的中心作为切分特征点,如图11大的矩形框中所示拟合切分曲线,完成目标切分,从而得到最终检测结果,图11中大的矩形框标识的内容是对小的矩形框中的内容进行放大的结果,小的矩形框中有两只并排停泊的舰船目标;
如图12所示,图中矩形框标识出检测的舰船目标。图12中检测结果的性能指标为:舰船实际数目8个,漏检个数0,正确检测数8个,虚警个数0。从检测结果中可以看出,本发明对高分辨SAR图像港口区域舰船目标能实现精确的检测。
Claims (1)
1.一种基于高分辨SAR图像的港口区域舰船检测方法,SAR是指合成孔径雷达,包括下述步骤:
步骤1:输入港口区域的高分辨SAR图像,得到M×N维图像矩阵I,图像矩阵I的第i行、第j列的像素灰度值为I(i,j),其中i=1,2,...,M,j=1,2,...,N;
其特征在于,还包括下述步骤:
步骤2:对图像矩阵I,采用马尔可夫分割方法及形态学处理,得到陆地区域、海洋区域以及海岸轮廓线,具体步骤如下:
2a)采用马尔可夫方法对输入图像矩阵I进行二值化分割,得到M×N维的二值图像,记为标签图BW1:其中表示陆地的像素,其像素值为1,记标签值为1;表示海洋的像素,其像素值为0,记标签值为0;
2b)进行形态学处理:首先对标签图BW1进行闭操作,得到标签图BW2;然后计算标签图BW2中所有连通区域的面积Ak,k=1,2,..,K,K为标签图BW2中所有连通区域的个数,连通区域是指八连通区域;根据实际情况设定面积阈值Aopt,若Ak<Aopt,则认为标签图BW2的第k个连通区域为海洋中的强像素点,将该连通区域内像素的标签值赋为0,得标签图BW3;将标签图BW3置反,得标签图BW4,计算标签图BW4中所有连通区域的面积Bl,l=1,2,...,L,L为标签图BW4中所有连通区域的个数,若则认为第l个连通区域为陆地的弱像素点,将该连通区域内像素的标签值赋为0,得标签图BW5;将BW5置反,得标签图BW,其中像素标签值为1的像素形成的区域表示陆地区域RL,像素标签值为0的像素形成的区域表示海洋区域RO;
2c)根据得到的海洋区域和陆地区域,利用边界追踪方法得到海岸轮廓线;
步骤3:根据舰船目标尺寸的先验知识和高分辨SAR图像分辨率,计算在高分辨SAR图像中的舰船目标分布区间信息:
已知高分辨SAR图像分辨率ρa×ρr,ρa为方位向分辨率,ρr为距离向分辨率;舰船目标尺寸的先验知识包括:舰船目标面积区间[S1,S2]、长度区间[L1,L2]、宽度区间[W1,W2],计算舰船目标在高分辨SAR图像中的分布区间信息如下:
其中[Smin,Smax]、[Lmin,Lmax]、[Wmin,Wmax]分别为高分辨SAR图像中舰船目标的面积分布区间、长度分布区间和宽度分布区间;
步骤4:利用舰船目标的分布区间信息,沿海岸轮廓线向陆地方向设置一定宽度的缓冲区域,得到的求解区域为缓冲区域加上海洋区域,将求解区域对应的高分辨SAR图像信息保存在求解矩阵中,具体步骤如下:
对标签图BW,沿海岸轮廓线进行腐蚀,得标签图BWs,其中向陆地区域方向腐蚀掉的区域为缓冲区域RG,缓冲区域RG的宽度根据实际需要确定,求解区域即为RO+RG;设置求解矩阵Ia为M×N维全零矩阵;遍历标签图BWs的像素点BWs(i,j),其中i=1,2,...,M,j=1,2,...,N,如果BWs(i,j)=0,则置Ia(i,j)=I(i,j);
步骤5:基于最稳定极值区域方法,结合舰船目标分布区间信息,在求解矩阵中得到舰船目标ROI,ROI即感兴趣区域,具体步骤如下:
对求解矩阵Ia,通过最稳定极值区域方法,得到求解矩阵Ia中所有的最稳定极值区域,将面积值属于舰船目标面积分布区间[Smin,Smax]的所有最稳定极值区域都作为舰船目标ROI,一个最稳定极值区域对应一个舰船目标ROI,记为Rq,q=1,2,...,Q,Q为求解矩阵Ia中包含的舰船目标ROI个数;
步骤6:在求解矩阵中将舰船目标ROI与背景分离,采用G0分布拟合背景杂波分布,由全局CFAR方法计算检测门限,从而得到舰船目标检测矩阵,具体包括下述步骤:
6a)设置背景矩阵Ib=Ia,将背景矩阵Ib中所有舰船目标ROI包含的像素值置为0,由G0分布拟合背景杂波分布pb(x):
其中:
根据实际需要设定虚警率Pfa,代入下述检测公式:
求得恒虚警检测门限tr;
6b)设置检测矩阵Fa为M×N维全零矩阵,遍历求解矩阵Ia中位于Rq的像素点Ia(i,j),若Ia(i,j)≥tr,则判定该像素为舰船目标像素,置Fa(i,j)=1;检测矩阵Fa中,Rq所包含的像素值为1的像素,组成潜在的舰船目标区域Tq;
步骤7:由舰船目标的形状参数,剔除检测矩阵Fa中的虚假目标,具体包括下述步骤:
遍历检测矩阵Fa中的潜在的舰船目标区域Tq,计算其形状参数Eq:
其中Cq为潜在的舰船目标区域Tq的外围周长,即潜在的舰船目标区域Tq的外围轮廓所占的像素数目,Sq为潜在的舰船目标区域Tq的面积,即潜在的舰船目标区域Tq包含的像素数目;由舰船目标分布区间信息,计算阈值:
Cmax=2×(Lmax+Wmax) (10)
若Eq>te,则判定潜在的舰船目标区域Tq为虚假目标区域,将检测矩阵Fa中属于潜在的舰船目标区域Tq的所有像素点其值置为0;假定剔除虚假目标后,检测矩阵Fa包含Q-r个舰船目标区域T′q',q'=1,2,...,Q-r,r为虚假目标的个数;
步骤8:由舰船目标的长宽比,判断并排停泊的舰船目标,具体步骤如下:
遍历检测矩阵Fa中的舰船目标区域T′q',计算其长宽比Dq'=Lq'/Wq',其中Lq'和Wq'分别为舰船目标区域T′q'的长与宽,即舰船目标区域T′q'的长轴与短轴所占的像素数目;由舰船目标分布区间信息,计算阈值:
tD=Lmin/Wmax (11)
若Dq'<tD,则判定舰船目标区域T′q'包括并排停泊的舰船目标,本发明中并排停泊的舰船目标是指两个舰船目标并排停泊在一起;取检测矩阵Fa中包含舰船目标区域T′q'的最小矩阵作为一个待切分切片;设检测矩阵Fa中共包含U个待切分切片Gu,u=1,2,...,U,则U为并排停泊的舰船目标个数;
步骤9:对并排停泊的舰船目标,进行有效切分;
对每个待切分切片进行下述操作:
9a)设置与切片Gu相同大小的全零矩阵Hu,采用形态学处理得到切片Gu的内部孔洞,将Hu中位于内部孔洞的像素点值置为1;
9b)根据实际需要设置面积门限th,遍历Hu中所有连通域,若连通域的面积小于th,则将Hu中该连通域包含的像素点其值置为0;求取Hu中余下各连通域的中心,作为切分特征点Pu(v),v=1,2,...,V,V为切片Gu的切分特征点个数;
9c)采用二次样条拟合方法,将各切分特征点Pu(v)拟合成平滑曲线,将曲线向两侧各延展2个像素,作扩大处理,得到切分曲线Lu;将切分曲线Lu所对应的切片Gu中的像素点其值置为0;将切片Gu映射到检测矩阵Fa。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410596785.3A CN104331886B (zh) | 2014-10-29 | 2014-10-29 | 基于高分辨sar图像的港口区域舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410596785.3A CN104331886B (zh) | 2014-10-29 | 2014-10-29 | 基于高分辨sar图像的港口区域舰船检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104331886A CN104331886A (zh) | 2015-02-04 |
CN104331886B true CN104331886B (zh) | 2017-05-03 |
Family
ID=52406606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410596785.3A Active CN104331886B (zh) | 2014-10-29 | 2014-10-29 | 基于高分辨sar图像的港口区域舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104331886B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243360A (zh) * | 2015-09-21 | 2016-01-13 | 西安空间无线电技术研究所 | 一种基于距离搜索的舰船目标自组织聚类方法 |
CN106327803B (zh) * | 2016-08-16 | 2018-06-19 | 辽宁工程技术大学 | 一种基于均值-标准差的加权马尔可夫滑坡预警方法 |
CN106709914B (zh) * | 2017-01-05 | 2020-01-17 | 北方工业大学 | 一种基于双级dem海陆库的sar图像船舶检测虚警剔除方法 |
CN107230210A (zh) * | 2017-06-19 | 2017-10-03 | 长光卫星技术有限公司 | 一种遥感图像港口水面目标的快速分割方法 |
CN107561533B (zh) * | 2017-07-14 | 2019-11-22 | 清华大学 | 一种c波段星载合成孔径雷达运动目标成像方法 |
CN108985288B (zh) * | 2018-07-17 | 2022-06-14 | 电子科技大学 | 一种基于TGMSERs的SAR图像溢油检测方法 |
CN110379178B (zh) * | 2019-07-25 | 2021-11-02 | 电子科技大学 | 基于毫米波雷达成像的无人驾驶汽车智能泊车方法 |
CN110378308B (zh) * | 2019-07-25 | 2021-07-20 | 电子科技大学 | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 |
CN113674308B (zh) * | 2021-05-06 | 2024-02-13 | 西安电子科技大学 | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 |
CN115049928B (zh) * | 2022-06-20 | 2024-05-07 | 电子科技大学 | 一种基于角点特征和岸线封闭特征的级联港口检测方法 |
CN115980746A (zh) * | 2022-11-25 | 2023-04-18 | 惠州市德赛西威汽车电子股份有限公司 | 一种可行驶区域的检测方法、装置、车辆及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938150A (zh) * | 2012-11-20 | 2013-02-20 | 西安电子科技大学 | 基于自适应海杂波统计的sar图像舰船检测方法 |
CN103400156A (zh) * | 2013-07-04 | 2013-11-20 | 西安电子科技大学 | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 |
CN104077777A (zh) * | 2014-07-04 | 2014-10-01 | 中国科学院大学 | 一种海面舰船目标检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0606489D0 (en) * | 2006-03-31 | 2006-05-10 | Qinetiq Ltd | System and method for processing imagery from synthetic aperture systems |
US8977062B2 (en) * | 2013-02-25 | 2015-03-10 | Raytheon Company | Reduction of CFAR false alarms via classification and segmentation of SAR image clutter |
-
2014
- 2014-10-29 CN CN201410596785.3A patent/CN104331886B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938150A (zh) * | 2012-11-20 | 2013-02-20 | 西安电子科技大学 | 基于自适应海杂波统计的sar图像舰船检测方法 |
CN103400156A (zh) * | 2013-07-04 | 2013-11-20 | 西安电子科技大学 | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 |
CN104077777A (zh) * | 2014-07-04 | 2014-10-01 | 中国科学院大学 | 一种海面舰船目标检测方法 |
Non-Patent Citations (5)
Title |
---|
Method for inshore ship detection based on feature recognition and adaptive background window;Hongyu Zhao 等;《Journal of Applied Remote Sensing》;20140625;第8卷;全文 * |
Robust wide-baseline stereo from maximally stable extremal regions;J. Matas 等;《Image and Vision Computing》;20041231;第22卷;全文 * |
SAR 图像港口区域舰船检测新方法;陈琪 等;《电子与信息学报》;20110930;第33卷(第9期);全文 * |
一种基于 SAR 图像鉴别的港口区域舰船目标新方法;陈琪 等;《宇航学报》;20111231;第32卷(第12期);全文 * |
基于海陆分割的舰船目标变化检测研究;蔡姝 等;《视频应用与工程》;20101231;第34卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104331886A (zh) | 2015-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104331886B (zh) | 基于高分辨sar图像的港口区域舰船检测方法 | |
Chen et al. | A deep neural network based on an attention mechanism for SAR ship detection in multiscale and complex scenarios | |
CN104036239B (zh) | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 | |
CN102867196B (zh) | 基于Gist特征学习的复杂海面遥感影像舰船检测方法 | |
CN109117802B (zh) | 面向大场景高分遥感影像的舰船检测方法 | |
CN109409283A (zh) | 一种海面舰船跟踪和监控的方法、系统和存储介质 | |
CN110378308A (zh) | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 | |
CN110516605A (zh) | 基于级联神经网络的任意方向舰船目标检测方法 | |
CN113643284B (zh) | 基于卷积神经网络的极化合成孔径雷达图像舰船检测方法 | |
CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
CN106709914A (zh) | 一种基于双级dem海陆库的sar图像船舶检测虚警剔除方法 | |
CN114612769B (zh) | 一种融入局部结构信息的集成感知红外成像舰船检测方法 | |
CN101814144A (zh) | 遥感图像中无水桥梁目标识别方法 | |
Hou et al. | SAR image ship detection based on visual attention model | |
CN109784278A (zh) | 基于深度学习的海上弱小运动船舶实时检测方法 | |
CN110263646A (zh) | 一种基于卷积神经网络的海面弱目标探测方法和系统 | |
CN102129559B (zh) | 基于PrimalSketch算法的SAR图像目标检测方法 | |
Xie et al. | Fast ship detection from optical satellite images based on ship distribution probability analysis | |
Wang et al. | Soft thresholding attention network for adaptive feature denoising in SAR ship detection | |
Zhao et al. | A dense connection based SAR ship detection network | |
CN112101250B (zh) | 一种基于上下文语义感知的近岸舰船目标检测方法 | |
CN114373135A (zh) | 基于局部显著性特征度量的舰船目标检测方法 | |
Zhang et al. | MSIF: Multisize inference fusion-based false alarm elimination for ship detection in large-scale SAR images | |
Zhang et al. | Ship detection and recognition in optical remote sensing images based on scale enhancement rotating cascade R-CNN networks | |
Duan et al. | A deep learning denoising framework based on FFDNet for SAR image change detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |